ระบบสนับสนุนการตัดสินใจทางคลินิก

ระบบสนับสนุนการตัดสินใจทางคลินิก ( CDSS ) เป็นรูปแบบหนึ่งของเทคโนโลยีสารสนเทศด้านสุขภาพที่ให้ความรู้และข้อมูลเฉพาะบุคคลแก่แพทย์ เจ้าหน้าที่ ผู้ป่วย หรือบุคคลอื่น ๆ เพื่อเพิ่มประสิทธิภาพในการตัดสินใจในขั้นตอนการทำงานทางคลินิก เครื่องมือ CDSS ประกอบด้วยการแจ้งเตือนและการเตือนความจำ แนวทางการรักษาทางคลินิก ชุดคำสั่งเฉพาะโรค สรุปข้อมูลผู้ป่วย การสนับสนุนการวินิจฉัย และข้อมูลอ้างอิงที่สอดคล้องกับบริบท โดยมักใช้ปัญญาประดิษฐ์ในการวิเคราะห์ข้อมูลทางคลินิกและช่วยปรับปรุงคุณภาพและความปลอดภัยในการดูแลรักษา CDSS ถือเป็นหัวข้อสำคัญในด้านปัญญาประดิษฐ์ทางการแพทย์

ระบบสนับสนุนการตัดสินใจทางคลินิก (Clinical Decision Support System หรือ CDSS) คือระบบความรู้เชิงรุกที่ใช้ตัวแปรของข้อมูลผู้ป่วยเพื่อสร้างคำแนะนำเกี่ยวกับการดูแลสุขภาพ นั่นหมายความว่า CDSS ก็คือระบบสนับสนุนการตัดสินใจที่มุ่งเน้นการใช้ การ จัดการ ความรู้

วัตถุประสงค์หลักของ CDSS สมัยใหม่คือการช่วยเหลือแพทย์ ณ จุดดูแล^{[ 1 ]}ซึ่งหมายความว่าแพทย์จะโต้ตอบกับ CDSS เพื่อช่วยวิเคราะห์และวินิจฉัยโรคต่างๆ โดยอาศัยข้อมูลผู้ป่วย

ในยุคแรกเริ่ม CDSS ถูกคิดค้นขึ้นเพื่อช่วยตัดสินใจแทนแพทย์โดยตรง แพทย์จะป้อนข้อมูลและรอให้ CDSS แสดงตัวเลือกที่ "ถูกต้อง" ออกมา จากนั้นแพทย์ก็เพียงแค่ปฏิบัติตามผลลัพธ์นั้น อย่างไรก็ตาม วิธีการใช้ CDSS ในปัจจุบันเพื่อช่วยเหลือนั้นหมายความว่าแพทย์จะโต้ตอบกับ CDSS โดยใช้ทั้งความรู้ของตนเองและความรู้ของ CDSS เพื่อวิเคราะห์ข้อมูลของผู้ป่วยได้ดีกว่าที่มนุษย์หรือ CDSS จะทำได้ด้วยตนเอง โดยทั่วไป CDSS จะให้คำแนะนำแก่แพทย์เพื่อตรวจสอบ และแพทย์จะต้องเลือกข้อมูลที่เป็นประโยชน์จากผลลัพธ์ที่แสดงและตัดทิ้งคำแนะนำที่ผิดพลาดของ CDSS ^{[ 2 ]}

CDSS มีสองประเภทหลัก ได้แก่ ระบบที่ใช้ความรู้ และระบบที่ไม่ใช้ความรู้ (ระบบที่ใช้การเรียนรู้ของเครื่อง): ^{[ 1 ]}

ตัวอย่างหนึ่งของการที่แพทย์อาจใช้ระบบสนับสนุนการตัดสินใจทางคลินิกคือ ระบบสนับสนุนการตัดสินใจในการวินิจฉัย (DDSS) DDSS จะขอข้อมูลบางส่วนของผู้ป่วย และตอบกลับด้วยชุดการวินิจฉัยที่เป็นไปได้ แพทย์จะนำผลลัพธ์ของ DDSS ไปใช้และพิจารณาว่าการวินิจฉัยใดมีแนวโน้มเป็นไปได้และการวินิจฉัยใดไม่มี^{[ 1 ]}และหากจำเป็น ก็จะสั่งการทดสอบเพิ่มเติมเพื่อจำกัดการวินิจฉัยให้แคบลง

อีกตัวอย่างหนึ่งของ CDSS คือ ระบบ การให้เหตุผลตามกรณี (CBR) ^{[ 3 ]}ระบบ CBR อาจใช้ข้อมูลกรณีก่อนหน้าเพื่อช่วยกำหนดปริมาณลำแสงที่เหมาะสมและมุมลำแสงที่เหมาะสมที่สุดสำหรับการใช้ในการรักษาโรคมะเร็งสมองด้วยรังสี นักฟิสิกส์การแพทย์และแพทย์ผู้เชี่ยวชาญด้านมะเร็งจะตรวจสอบแผนการรักษาที่แนะนำเพื่อพิจารณาความเป็นไปได้^{[ 4 ]}

การจำแนกประเภทที่สำคัญอีกประการหนึ่งของ CDSS ขึ้นอยู่กับช่วงเวลาในการใช้งาน แพทย์ใช้ระบบเหล่านี้ ณ จุดดูแลเพื่อช่วยพวกเขาในขณะที่กำลังจัดการกับผู้ป่วย โดยช่วงเวลาในการใช้งานอาจเป็นก่อนการวินิจฉัย ระหว่างการวินิจฉัย หรือหลังการวินิจฉัย^{[ 5 ]}ระบบ CDSS ก่อนการวินิจฉัยช่วยให้แพทย์เตรียมการวินิจฉัย CDSS ช่วยตรวจสอบและกรองตัวเลือกการวินิจฉัยเบื้องต้นของแพทย์เพื่อปรับปรุงผลลัพธ์ ระบบ CDSS หลังการวินิจฉัยใช้ในการขุดค้นข้อมูลเพื่อหาความเชื่อมโยงระหว่างผู้ป่วยและประวัติทางการแพทย์ในอดีต และการวิจัยทางคลินิกเพื่อทำนายเหตุการณ์ในอนาคต [ ^{1 ] การ}คาดการณ์ในระยะแรกว่าการสนับสนุนการตัดสินใจโดยใช้ AI จะเข้ามาแทนที่แพทย์ในงานทั่วไปนั้นได้เปลี่ยนไปเป็นฉันทามติเกี่ยวกับแบบจำลองการช่วยเหลือ ซึ่ง AI จะช่วยเสริมมากกว่าที่จะเข้ามาแทนที่การตัดสินใจทางคลินิก ระบบที่ใช้การเรียนรู้เชิงลึกในปัจจุบัน ซึ่งแตกต่างจากเครื่องมือที่ใช้กฎเกณฑ์ในอดีต สามารถฝึกฝนได้โดยตรงจากข้อมูลทางคลินิกโดยไม่ต้องสร้างกฎด้วยตนเอง และสามารถบูรณาการเข้ากับเวิร์กโฟลว์บันทึกสุขภาพอิเล็กทรอนิกส์ ณ จุดดูแลได้^{[ 6 ]}

อีกแนวทางหนึ่งที่หน่วยงานบริการสุขภาพแห่งชาติของอังกฤษใช้ คือการใช้ระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) เพื่อคัดกรองอาการป่วยนอกเวลาทำการ โดยแนะนำขั้นตอนต่อไปที่เหมาะสมแก่ผู้ป่วย (เช่น โทรเรียกรถพยาบาลหรือไปพบแพทย์ทั่วไปในวันทำการถัดไป) คำแนะนำนี้ ซึ่งผู้ป่วยหรือเจ้าหน้าที่ทางโทรศัพท์อาจเพิกเฉยได้หากสามัญสำนึกหรือความระมัดระวังแนะนำเป็นอย่างอื่นนั้น จะอิงตามข้อมูลที่ทราบและข้อสรุปโดยนัยเกี่ยวกับความเป็นไปได้ ของการวินิจฉัย โรคที่ร้ายแรงที่สุดคำแนะนำนี้ไม่ได้เปิดเผยให้ผู้ป่วยทราบเสมอไป เพราะอาจไม่ถูกต้อง และไม่ได้อิงตามความคิดเห็นของผู้ที่มีความรู้ทางการแพทย์ แต่ใช้สำหรับการคัดกรองเบื้องต้นเท่านั้น

ระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) ส่วนใหญ่ประกอบด้วยสามส่วน ได้แก่ ฐานความรู้กลไกการอนุมานและกลไกการสื่อสาร^{[ 7 ]}ฐานความรู้ประกอบด้วยกฎและความสัมพันธ์ของข้อมูลที่รวบรวมไว้ ซึ่งส่วนใหญ่จะอยู่ในรูปแบบของกฎ IF-THEN หากนี่เป็นระบบสำหรับตรวจสอบปฏิกิริยาระหว่างยากฎอาจเป็นว่า ถ้าใช้ยา X และใช้ยา Y แล้ว ให้แจ้งเตือนผู้ใช้ ผู้ใช้ขั้นสูงสามารถแก้ไขฐานความรู้โดยใช้อินเทอร์เฟซอื่นเพื่อให้ทันสมัยกับยาใหม่ๆ กลไกการอนุมานจะรวมกฎจากฐานความรู้เข้ากับข้อมูลของผู้ป่วย กลไกการสื่อสารช่วยให้ระบบสามารถแสดงผลลัพธ์แก่ผู้ใช้และรับข้อมูลป้อนเข้าสู่ระบบได้^{[ 2 ] [ 1 ]}

จำเป็นต้องใช้ ภาษาสำหรับการแสดงออก เช่นGELLOหรือ CQL (Clinical Quality Language) เพื่อแสดงองค์ความรู้ในรูปแบบที่คอมพิวเตอร์สามารถประมวลผลได้ ตัวอย่างเช่น หากผู้ป่วยเป็นโรคเบาหวาน และผลการตรวจฮีโมโกลบิน A1c ครั้งล่าสุดต่ำกว่า 7% ควรแนะนำให้ตรวจซ้ำหากผ่านไปแล้วเกินหกเดือน แต่หากผลการตรวจครั้งล่าสุดมากกว่าหรือเท่ากับ 7% ควรแนะนำให้ตรวจซ้ำหากผ่านไปแล้วเกินสามเดือน

ปัจจุบัน HL7 CDS WG มุ่งเน้นไปที่การพัฒนาภาษาคุณภาพทางคลินิก (CQL) ^{[ 8 ]}ศูนย์บริการ Medicare และ Medicaid ของสหรัฐอเมริกา (CMS) ได้ประกาศว่ามีแผนจะใช้ CQL สำหรับการกำหนดคุณสมบัติของมาตรวัดคุณภาพทางคลินิกอิเล็กทรอนิกส์ (eCQMs) ^{[ 9 ]}

CDSS ที่ไม่ใช้ฐานความรู้จะใช้ปัญญาประดิษฐ์ รูปแบบหนึ่ง ที่เรียกว่า^การเรียนรู้ของเครื่อง [ ^{10 ]}ซึ่งช่วยให้คอมพิวเตอร์เรียนรู้จากประสบการณ์ในอดีตและ/หรือค้นหารูปแบบในข้อมูลทางคลินิก สิ่งนี้ช่วยขจัดความจำเป็นในการเขียนกฎและการป้อนข้อมูลจากผู้เชี่ยวชาญ อย่างไรก็ตาม เนื่องจากระบบที่ใช้การเรียนรู้ของเครื่องไม่สามารถอธิบายเหตุผลของข้อสรุปได้ แพทย์ส่วนใหญ่จึงไม่ใช้ระบบเหล่านี้โดยตรงในการวินิจฉัย ด้วยเหตุผลด้านความน่าเชื่อถือและความรับผิดชอบ^{[ 2 ] [ 1 ]}ถึงกระนั้น ระบบเหล่านี้ก็มีประโยชน์ในฐานะระบบหลังการวินิจฉัย เพื่อแนะนำรูปแบบให้แพทย์ตรวจสอบในเชิงลึกมากขึ้น

ณ ปี 2012 ระบบที่ไม่ใช้ความรู้มี 3 ประเภท ได้แก่เครื่องสนับสนุนเวกเตอร์ เครือข่ายประสาทเทียมและอัลกอริธึมทางพันธุกรรม^{[ 11 ]}

1. โครงข่ายประสาทเทียมใช้โหนดและการเชื่อมต่อที่มีน้ำหนักระหว่างโหนดเหล่านั้นเพื่อวิเคราะห์รูปแบบที่พบในข้อมูลผู้ป่วย เพื่อหาความสัมพันธ์ระหว่างอาการและวินิจฉัยโรค
2. อัลกอริทึมทางพันธุกรรมนั้นอิงตามกระบวนการวิวัฒนาการแบบง่ายๆ โดยใช้การคัดเลือกแบบมีทิศทางเพื่อให้ได้ผลลัพธ์ CDSS ที่ดีที่สุด อัลกอริทึมการคัดเลือกจะประเมินส่วนประกอบของชุดคำตอบแบบสุ่มสำหรับปัญหา คำตอบที่ได้ผลลัพธ์ดีที่สุดจะถูกนำมารวมกันและกลายพันธุ์ แล้วนำไปประมวลผลซ้ำอีกครั้ง กระบวนการนี้จะเกิดขึ้นซ้ำแล้วซ้ำเล่าจนกว่าจะพบคำตอบที่เหมาะสม อัลกอริทึมเหล่านี้มีลักษณะการทำงานคล้ายกับโครงข่ายประสาทเทียมตรงที่เป็น "กล่องดำ" ที่พยายามดึงความรู้จากข้อมูลผู้ป่วย
3. เครือข่ายที่ไม่ใช้ความรู้มักจะมุ่งเน้นไปที่รายการอาการที่แคบ เช่น อาการของโรคเพียงโรคเดียว ซึ่งแตกต่างจากแนวทางที่ใช้ความรู้ซึ่งครอบคลุมการวินิจฉัยโรคหลายชนิด^{[ 2 ] [ 1 ]}

ตัวอย่างของระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) ที่ไม่ได้อาศัยความรู้คือเว็บเซิร์ฟเวอร์ที่พัฒนาโดยใช้เครื่องเวกเตอร์สนับสนุนสำหรับการทำนายโรคเบาหวานขณะตั้งครรภ์ในไอร์แลนด์^{[ 12 ]}

IOM ได้เผยแพร่รายงานในปี 1999 ชื่อTo Err is Humanซึ่งมุ่งเน้นไปที่ วิกฤต ความปลอดภัยของผู้ป่วยในสหรัฐอเมริกา โดยชี้ให้เห็นถึงจำนวนผู้เสียชีวิตที่สูงอย่างไม่น่าเชื่อ สถิตินี้ดึงดูดความสนใจอย่างมากต่อคุณภาพการดูแลผู้ป่วย^{[ 13 ]}สถาบันการแพทย์ (IOM) สนับสนุนการใช้เทคโนโลยีสารสนเทศด้านสุขภาพ รวมถึงระบบสนับสนุนการตัดสินใจทางคลินิก เพื่อพัฒนาคุณภาพการดูแลผู้ป่วย^{[ 14 ]}

ด้วยการประกาศใช้พระราชบัญญัติการฟื้นฟูและการลงทุนของอเมริกาปี 2009 (ARRA) ทำให้เกิดแรงผลักดันให้มีการนำเทคโนโลยีสารสนเทศด้านสุขภาพ มาใช้กันอย่างแพร่หลาย ผ่านทางพระราชบัญญัติเทคโนโลยีสารสนเทศด้านสุขภาพเพื่อเศรษฐกิจและการดูแลสุขภาพทางคลินิก (HITECH) ผ่านโครงการริเริ่มเหล่านี้ โรงพยาบาลและคลินิกจำนวนมากขึ้นได้บูรณาการเวชระเบียนอิเล็กทรอนิกส์ (EMR) และระบบการสั่งยาโดยแพทย์ผ่านคอมพิวเตอร์ (CPOE) เข้ากับการประมวลผลและการจัดเก็บข้อมูลสุขภาพของตน แม้จะไม่มีกฎหมายกำหนดไว้อย่างชัดเจน แต่ผู้จำหน่ายระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) เกือบจะแน่นอนว่าจะต้องมีหน้าที่ตามกฎหมายในการดูแลทั้งผู้ป่วยที่อาจได้รับผลกระทบจากการใช้ CDSS และแพทย์ที่อาจใช้เทคโนโลยีนี้ในการดูแลผู้ป่วย อย่างไรก็ตาม ข้อกำหนดทางกฎหมายเกี่ยวกับหน้าที่ในการดูแลยังไม่ได้มีการกำหนดไว้อย่างชัดเจน ด้วยการประกาศใช้พระราชบัญญัติ HITECH ซึ่งรวมอยู่ใน ARRA ที่ส่งเสริมการนำเทคโนโลยีสารสนเทศด้านสุขภาพมาใช้ กฎหมายเฉพาะกรณีสำหรับ CDSS และ EMR ยังคงอยู่ระหว่างการกำหนดโดยสำนักงานประสานงานแห่งชาติสำหรับเทคโนโลยีสารสนเทศด้านสุขภาพ (ONC) และได้รับการอนุมัติจากกระทรวงสาธารณสุขและบริการมนุษย์ (HHS) คำจำกัดความของ "การใช้งานที่มีความหมาย" ยังไม่ได้รับการเผยแพร่

หลักฐานเกี่ยวกับประสิทธิภาพของ CDSS ยังไม่ชัดเจน มีโรคบางชนิดที่ได้รับประโยชน์จาก CDSS มากกว่าโรคอื่นๆ การทบทวนอย่างเป็นระบบในปี 2018 ระบุว่ามีภาวะทางการแพทย์ 6 อย่างที่ CDSS ช่วยปรับปรุงผลลัพธ์ของผู้ป่วยในโรงพยาบาล ได้แก่ การจัดการระดับน้ำตาลในเลือด การจัดการการถ่ายเลือด การป้องกันภาวะร่างกายเสื่อม การป้องกันแผลกดทับ การป้องกันภาวะไตวายเฉียบพลันและการป้องกันภาวะลิ่มเลือดอุดตันในหลอดเลือดดำ^{[ 15 ]} การทบทวนอย่างเป็นระบบในปี 2014 ไม่พบประโยชน์ในแง่ของความเสี่ยงต่อการเสียชีวิตเมื่อใช้ CDSS ร่วมกับบันทึกสุขภาพอิเล็กทรอนิกส์ [ ^{16 ] อย่างไรก็ตาม}อาจมีประโยชน์ในแง่ของผลลัพธ์อื่นๆ^{[ 16 ]}การทบทวนอย่างเป็นระบบ ในปี 2005 สรุปว่า CDSS ช่วยปรับปรุงประสิทธิภาพของผู้ปฏิบัติงานใน 64% ของการศึกษา และผลลัพธ์ของผู้ป่วยใน 13% ของการศึกษา คุณลักษณะของ CDSS ที่เกี่ยวข้องกับการปรับปรุงประสิทธิภาพของผู้ปฏิบัติงาน ได้แก่ การแจ้งเตือนทางอิเล็กทรอนิกส์อัตโนมัติ แทนที่จะต้องให้ผู้ใช้เปิดใช้งานระบบ^{[ 17 ]}

การทบทวนอย่างเป็นระบบในปี 2548 พบว่า "ระบบสนับสนุนการตัดสินใจช่วยปรับปรุงการปฏิบัติทางคลินิกอย่างมีนัยสำคัญในการทดลอง 68%" คุณลักษณะของ CDSS ที่เกี่ยวข้องกับความสำเร็จ ได้แก่ การบูรณาการเข้ากับขั้นตอนการทำงานทางคลินิกแทนที่จะเป็นการเข้าสู่ระบบหรือหน้าจอแยกต่างหาก แม่แบบอิเล็กทรอนิกส์แทนที่จะเป็นแม่แบบกระดาษ การให้การสนับสนุนการตัดสินใจ ณ เวลาและสถานที่ของการดูแลแทนที่จะเป็นก่อนหน้านั้น และการให้คำแนะนำในการดูแล^{[ 18 ]}

อย่างไรก็ตาม การทบทวนอย่างเป็นระบบในภายหลังกลับมองผลกระทบของ CDS ในแง่ลบมากขึ้น โดยฉบับหนึ่งจากปี 2011 ระบุว่า "มีช่องว่างขนาดใหญ่ระหว่างประโยชน์ที่คาดการณ์ไว้กับประโยชน์ที่พิสูจน์ได้จากประสบการณ์จริงของเทคโนโลยี eHealth [CDSS และเทคโนโลยีอื่นๆ]  ... ยังไม่สามารถพิสูจน์ถึงความคุ้มค่าได้" ^{[ 19 ]}

การประเมินผลห้าปีของประสิทธิภาพของ CDSS ในการดำเนินการรักษาการติดเชื้อแบคทีเรียอย่างมีเหตุผลเพื่อการจัดการยาต้านจุลชีพ ได้ รับการตีพิมพ์ในปี 2014 ตามที่ผู้เขียนระบุ นี่เป็นการศึกษาระยะยาวครั้งแรกของ CDSS ^{[ 20 ]}

สถาบันทางการแพทย์และบริษัทซอฟต์แวร์หลายแห่งได้ทุ่มเทความพยายามอย่างมากในการสร้างระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) ที่ใช้งานได้จริงเพื่อสนับสนุนงานทางคลินิกทุกด้าน อย่างไรก็ตาม ด้วยความซับซ้อนของขั้นตอนการทำงานทางคลินิกและความต้องการเวลาของบุคลากรที่สูง สถาบันที่นำระบบสนับสนุนไปใช้จึงต้องระมัดระวังเพื่อให้แน่ใจว่าระบบนั้นกลายเป็นส่วนสำคัญของขั้นตอนการทำงานทางคลินิก ระบบ CDSS บางระบบประสบความสำเร็จในระดับที่แตกต่างกัน ในขณะที่บางระบบประสบปัญหาทั่วไปที่ขัดขวางหรือลดความสำเร็จในการนำไปใช้และการยอมรับ

สองภาคส่วนในวงการดูแลสุขภาพที่ระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) มีผลกระทบอย่างมาก ได้แก่ ภาคส่วนเภสัชกรรมและการเรียกเก็บเงิน ระบบเภสัชกรรมและการสั่งยาที่ใช้กันทั่วไปในปัจจุบันสามารถตรวจสอบคำสั่งยาแบบเป็นชุดเพื่อหาปฏิกิริยาระหว่างยาที่ไม่พึงประสงค์และรายงานคำเตือนไปยังผู้สั่งยา อีกภาคส่วนหนึ่งที่ CDSS ประสบความสำเร็จคือการเรียกเก็บเงินและการยื่นขอเบิกค่ารักษาพยาบาล เนื่องจากโรงพยาบาลหลายแห่งต้องพึ่งพา เงินชดเชย จาก Medicareเพื่อดำเนินงานต่อไป จึงมีการสร้างระบบเพื่อช่วยตรวจสอบทั้งแผนการรักษาที่เสนอและกฎเกณฑ์ปัจจุบันของ Medicare เพื่อแนะนำแผนที่พยายามแก้ไขทั้งการดูแลผู้ป่วยและความต้องการทางการเงินของสถาบัน

ระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) อื่นๆ ที่มุ่งเน้นงานด้านการวินิจฉัยประสบความสำเร็จ แต่โดยทั่วไปมักมีข้อจำกัดในการใช้งานและขอบเขต ระบบ Leeds Abdominal Pain System เริ่มใช้งานในปี 1971 สำหรับ โรงพยาบาล มหาวิทยาลัยลีดส์มีรายงานว่าระบบดังกล่าวสามารถวินิจฉัยโรคได้อย่างถูกต้องถึง 91.8% เมื่อเทียบกับอัตราความสำเร็จของแพทย์ที่ 79.6% ^{[ 21 ]}

แม้ว่าสถาบันต่างๆ จะพยายามอย่างกว้างขวางในการผลิตและใช้ระบบเหล่านี้ แต่การนำไปใช้และการยอมรับอย่างแพร่หลายก็ยังไม่เกิดขึ้นสำหรับผลิตภัณฑ์ส่วนใหญ่ อุปสรรคสำคัญประการหนึ่งในการยอมรับในอดีตคือการบูรณาการเวิร์กโฟลว์ มีแนวโน้มที่จะมุ่งเน้นเฉพาะแกนหลักของการตัดสินใจเชิงฟังก์ชันของ CDSS เท่านั้น ทำให้เกิดข้อบกพร่องในการวางแผนว่าแพทย์จะใช้ผลิตภัณฑ์ในสถานที่อย่างไร CDSS เป็นแอปพลิเคชันแบบสแตนด์อะโลน ซึ่งกำหนดให้แพทย์ต้องหยุดทำงานในระบบปัจจุบัน เปลี่ยนไปใช้ CDSS ป้อนข้อมูลที่จำเป็น (แม้ว่าจะป้อนลงในระบบอื่นแล้วก็ตาม) และตรวจสอบผลลัพธ์ที่ได้ ขั้นตอนเพิ่มเติมเหล่านี้ขัดจังหวะการทำงานจากมุมมองของแพทย์และทำให้เสียเวลาอันมีค่า^{[ 22 ]}

ระบบสนับสนุนการตัดสินใจทางคลินิกเผชิญกับความท้าทายทางเทคนิคอย่างมากในหลายด้าน ระบบชีวภาพมีความซับซ้อนอย่างยิ่ง และการตัดสินใจทางคลินิกอาจใช้ข้อมูลที่เกี่ยวข้องจำนวนมหาศาล ตัวอย่างเช่น ระบบ การแพทย์เชิงประจักษ์ แบบอิเล็กทรอนิกส์ อาจพิจารณาอาการของผู้ป่วย ประวัติทางการแพทย์ประวัติครอบครัวและพันธุกรรมรวมถึงแนวโน้มการเกิดโรคในอดีตและทางภูมิศาสตร์ และข้อมูลทางคลินิกที่ตีพิมพ์เกี่ยวกับประสิทธิผลของการรักษา เมื่อแนะนำแนวทางการรักษาสำหรับผู้ป่วย

ในทางคลินิก อุปสรรคสำคัญต่อการยอมรับ CDSS คือการบูรณาการขั้นตอนการทำงาน

แม้ว่าจะมีการแสดงให้เห็นแล้วว่าแพทย์ต้องการคำอธิบายเกี่ยวกับ CDSS ที่ใช้การเรียนรู้ของเครื่อง เพื่อให้สามารถเข้าใจและเชื่อถือคำแนะนำได้^{[ 23 ]}แต่โดยรวมแล้วยังขาดการประยุกต์ใช้ปัญญาประดิษฐ์ที่สามารถอธิบายได้ในบริบทของ CDSS อย่างชัดเจน ^{[ 24 ]}ซึ่งถือเป็นอุปสรรคอีกประการหนึ่งในการนำระบบเหล่านี้ไปใช้

แหล่งที่มาของความขัดแย้งอีกประการหนึ่งกับระบบสนับสนุนทางการแพทย์จำนวนมากคือระบบเหล่านั้นสร้างการแจ้งเตือนจำนวนมาก เมื่อระบบสร้างคำเตือนจำนวนมาก (โดยเฉพาะอย่างยิ่งคำเตือนที่ไม่จำเป็นต้องมีการยกระดับ) นอกจากความรำคาญแล้ว แพทย์อาจให้ความสนใจกับคำเตือนน้อยลง ทำให้พลาดการแจ้งเตือนที่สำคัญได้ ปรากฏการณ์นี้เรียกว่าความเหนื่อยล้าจากการแจ้งเตือน^{[ 25 ]}

หนึ่งในความท้าทายหลักที่ CDSS เผชิญคือความยากลำบากในการบูรณาการงานวิจัยทางคลินิกจำนวนมากที่ได้รับการตีพิมพ์อย่างต่อเนื่อง ในแต่ละปีมีการตีพิมพ์งานวิจัยทางคลินิกหลายหมื่นฉบับ^{[ 26 ]}ปัจจุบัน งานวิจัยแต่ละชิ้นจะต้องได้รับการอ่าน ประเมินความถูกต้องทางวิทยาศาสตร์ และบูรณาการเข้ากับ CDSS อย่างถูกต้องแม่นยำด้วยตนเอง ในปี 2547 มีการระบุว่ากระบวนการรวบรวมข้อมูลทางคลินิกและความรู้ทางการแพทย์และนำมาจัดให้อยู่ในรูปแบบที่คอมพิวเตอร์สามารถประมวลผลเพื่อช่วยในการสนับสนุนการตัดสินใจทางคลินิกนั้น "ยังอยู่ในช่วงเริ่มต้น" ^{[ 27 ]}

อย่างไรก็ตาม การที่องค์กรธุรกิจจะดำเนินการเรื่องนี้จากส่วนกลาง แม้จะไม่สมบูรณ์ ก็ยังเป็นไปได้มากกว่าการที่แพทย์แต่ละคนพยายามติดตามงานวิจัยทั้งหมดที่ตีพิมพ์ออกมา

นอกจากจะเป็นงานที่ต้องใช้ความพยายามมากแล้ว การบูรณาการข้อมูลใหม่บางครั้งอาจยากที่จะวัดปริมาณหรือรวมเข้ากับโครงสร้างการสนับสนุนการตัดสินใจที่มีอยู่ โดยเฉพาะอย่างยิ่งในกรณีที่เอกสารทางคลินิกต่างๆ อาจดูขัดแย้งกัน การแก้ไขความไม่สอดคล้องกันเหล่านี้อย่างเหมาะสมมักเป็นหัวข้อของเอกสารทางคลินิกเอง (ดูการวิเคราะห์เชิงอภิมาน ) ซึ่งมักใช้เวลาหลายเดือนในการดำเนินการให้แล้วเสร็จ

เพื่อให้ CDSS มีคุณค่า จะต้องแสดงให้เห็นอย่างชัดเจนว่าสามารถปรับปรุงขั้นตอนการทำงานหรือผลลัพธ์ทางคลินิกได้ การประเมิน CDSS จะวัดคุณค่าในการปรับปรุงคุณภาพของระบบและวัดประสิทธิภาพ เนื่องจาก CDSS ที่แตกต่างกันมีวัตถุประสงค์ที่แตกต่างกัน จึงไม่มีตัวชี้วัดทั่วไปที่ใช้ได้กับระบบดังกล่าวทั้งหมด อย่างไรก็ตาม คุณลักษณะต่างๆ เช่น ความสม่ำเสมอ (ทั้งกับและกับผู้เชี่ยวชาญ) มักจะใช้ได้กับระบบที่หลากหลาย^{[ 28 ]}

เกณฑ์การประเมินสำหรับระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) ขึ้นอยู่กับเป้าหมายของระบบ ตัวอย่างเช่น ระบบสนับสนุนการตัดสินใจด้านการวินิจฉัยโรคอาจได้รับการประเมินจากความสม่ำเสมอและความแม่นยำในการจำแนกประเภทโรค (เมื่อเทียบกับแพทย์หรือระบบสนับสนุนการตัดสินใจอื่นๆ) ในขณะที่ระบบการแพทย์ที่อิงหลักฐานอาจได้รับการประเมินจากอัตราการพัฒนาที่ดีขึ้นของผู้ป่วย หรือการชดเชยทางการเงินที่สูงขึ้นสำหรับผู้ให้บริการด้านการดูแลสุขภาพ

การนำ EHR มาใช้ถือเป็นความท้าทายที่หลีกเลี่ยงไม่ได้ ความท้าทายนี้เป็นเพราะเป็นพื้นที่ที่ยังไม่ได้รับการสำรวจมากนัก และมีปัญหาและภาวะแทรกซ้อนมากมายในระหว่างขั้นตอนการนำ EHR มาใช้ ซึ่งสามารถเห็นได้จากการศึกษาจำนวนมากที่ได้ดำเนินการไปแล้ว อย่างไรก็ตาม ความท้าทายในการนำบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) มาใช้ได้รับความสนใจบ้างแล้ว แต่ยังมีข้อมูลน้อยเกี่ยวกับการเปลี่ยนจาก EHR รุ่นเก่าไปสู่ระบบใหม่กว่า^{[ 29 ]}

EHR เป็นวิธีการรวบรวมและใช้ข้อมูลแบบเรียลไทม์เพื่อให้บริการดูแลผู้ป่วยที่มีคุณภาพสูง ช่วยให้มั่นใจถึงประสิทธิภาพและการใช้เวลาและทรัพยากรอย่างมีประสิทธิผล การบูรณาการ EHR และ CDSS เข้าด้วยกันในกระบวนการทางการแพทย์มีศักยภาพที่จะเปลี่ยนแปลงวิธีการสอนและการปฏิบัติทางการแพทย์^{[ 30 ]}มีการกล่าวว่า "EHR ระดับสูงสุดคือ CDSS" ^{[ 31 ]}

เนื่องจาก "ระบบสนับสนุนการตัดสินใจทางคลินิก (CDSS) เป็นระบบคอมพิวเตอร์ที่ออกแบบมาเพื่อส่งผลกระทบต่อการตัดสินใจของแพทย์เกี่ยวกับผู้ป่วยแต่ละราย ณ จุดเวลาที่ทำการตัดสินใจเหล่านี้" ^{[ 30 ]}จึงเห็นได้ชัดว่าการมี CDSS และ EHR ที่บูรณาการอย่างสมบูรณ์จะเป็นประโยชน์

แม้ว่าจะเห็นประโยชน์ได้ แต่การนำ CDSS ที่บูรณาการกับ EHR มาใช้อย่างเต็มรูปแบบนั้น ในอดีตจำเป็นต้องมีการวางแผนอย่างมากจากสถานพยาบาล/องค์กรเพื่อให้ CDSS ประสบความสำเร็จและมีประสิทธิภาพ ความสำเร็จและประสิทธิผลสามารถวัดได้จากการดูแลผู้ป่วยที่เพิ่มขึ้นและเหตุการณ์ไม่พึงประสงค์ ที่ลดลง นอกจากนี้ยังจะช่วยประหยัดเวลาและทรัพยากร และมีประโยชน์ในแง่ของความเป็นอิสระและผลประโยชน์ทางการเงินสำหรับสถานพยาบาล/องค์กร^{[ 32 ]}

ณ เดือนกรกฎาคม 2558 การเปลี่ยนผ่านไปสู่ระบบบันทึกข้อมูลสุขภาพอิเล็กทรอนิกส์ (EHR) ที่วางแผนไว้ในออสเตรเลียกำลังเผชิญกับอุปสรรค สถานพยาบาลส่วนใหญ่ยังคงใช้ระบบเอกสารกระดาษทั้งหมด บางแห่งอยู่ในช่วงเปลี่ยนผ่านไปสู่ระบบ EHR ที่สแกนแล้ว หรือกำลังก้าวไปสู่ขั้นตอนการเปลี่ยนผ่านดังกล่าว

รัฐวิกตอเรียได้พยายามนำ EHR มาใช้ทั่วทั้งรัฐด้วยโปรแกรม HealthSMART แต่ได้ยกเลิกโครงการเนื่องจากค่าใช้จ่ายสูงเกินคาด^{[ 33 ]}

อย่างไรก็ตาม รัฐเซาท์ออสเตรเลีย (SA) ประสบความสำเร็จมากกว่ารัฐวิกตอเรียเล็กน้อยในการนำระบบบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) มาใช้ ซึ่งอาจเป็นเพราะองค์กรด้านสาธารณสุขทั้งหมดใน SA อยู่ภายใต้การบริหารจัดการจากส่วนกลาง

SA กำลังดำเนินการนำระบบ "การบริหารจัดการผู้ป่วย ระดับองค์กร (EPAS)" มาใช้ ระบบนี้เป็นพื้นฐานสำหรับโรงพยาบาลและสถานพยาบาลของรัฐทั้งหมดในการใช้ EHR ภายใน SA และคาดว่าภายในสิ้นปี 2557 สถานพยาบาลทั้งหมดใน SA จะเชื่อมต่อกับระบบนี้ได้ ซึ่งจะช่วยให้สามารถบูรณาการ CDSS เข้ากับ SA ได้อย่างประสบความสำเร็จและเพิ่มประโยชน์ของ EHR ^{[ 34 ]} แต่ในเดือนกรกฎาคม 2558 มีรายงานว่ามีสถานพยาบาลเพียง 3 แห่งจาก 75 แห่งเท่านั้นที่นำ EPAS มาใช้^{[ 35 ]}

ด้วยระบบสุขภาพที่ใหญ่ที่สุดในประเทศและรูปแบบการบริหารจัดการแบบสหพันธรัฐแทนที่จะเป็นแบบรวมศูนย์ รัฐนิวเซาท์เวลส์กำลังมีความก้าวหน้าอย่างต่อเนื่องในการนำ EHR มาใช้ทั่วทั้งรัฐ เทคโนโลยีเวอร์ชันปัจจุบันของรัฐคือ eMR2 ซึ่งมีคุณสมบัติ CDSS เช่น เส้นทางการรักษาภาวะติดเชื้อในกระแสเลือดเพื่อระบุผู้ป่วยที่มีความเสี่ยงโดยอิงจากข้อมูลที่ป้อนลงในบันทึกอิเล็กทรอนิกส์ ณ เดือนมิถุนายน 2559 มีสถานพยาบาล 93 แห่งจาก 194 แห่งที่อยู่ในขอบเขตของการเปิดตัวครั้งแรกที่ได้นำ eMR2 มาใช้งานแล้ว^{[ 36 ]}

บริการสนับสนุนการตัดสินใจทางคลินิก EBMEDS ที่จัดทำโดย Duodecim Medical Publications Ltd ถูกใช้โดยแพทย์สาธารณสุขของฟินแลนด์มากกว่า 60% ^{[ 37 ]}

การศึกษาในสหราชอาณาจักรได้ทดสอบ Salford Medication Safety Dashboard (SMASH) ซึ่งเป็นแอปพลิเคชัน CDSS บนเว็บเพื่อช่วยแพทย์และเภสัชกรค้นหาบุคคลในบันทึกสุขภาพอิเล็กทรอนิกส์ที่อาจเผชิญกับอันตรายด้านความปลอดภัยเนื่องจากข้อผิดพลาดในการสั่งยา แดชบอร์ดนี้ถูกนำมาใช้ในการระบุและช่วยเหลือผู้ป่วยที่มีใบสั่งยาที่ไม่ปลอดภัยที่ลงทะเบียนไว้แล้วได้สำเร็จ และต่อมายังช่วยในการติดตามกรณีใหม่ๆ ที่ปรากฏขึ้น^{[ 38 ] [ 39 ]}

• ภาษาการแสดงออกของเจลโล
• องค์การพัฒนามาตรฐานศัพท์ทางการแพทย์ระหว่างประเทศ
• อัลกอริทึมทางการแพทย์
• สารสนเทศทางการแพทย์
• พระราชบัญญัติคุ้มครองข้อมูลสุขภาพส่วนบุคคล (กฎหมายที่บังคับใช้ในรัฐออนแทรีโอ)
• เครื่องมือ ช่วยตัดสินใจในการรักษา (เครื่องมือช่วยตัดสินใจสำหรับผู้ป่วย)
• ปัญญาประดิษฐ์ในด้านการดูแลสุขภาพ

• Duodecim EBMEDS ระบบสนับสนุนการตัดสินใจทางคลินิก
• บทสนับสนุนการตัดสินใจจากหนังสือคู่มือสารสนเทศด้านสุขภาพของ Coiera
• OpenClinical ( เก็บข้อมูลเมื่อวันที่ 2 กุมภาพันธ์ 2020 ในWayback Machine)เก็บรักษาคลังข้อมูลขนาดใหญ่เกี่ยวกับระบบปัญญาประดิษฐ์ (AI) ที่ใช้ในงานคลินิกเป็นประจำ
• โรเบิร์ต ทรอว์บริดจ์/ สก็อตต์ ไวน์การ์เทนบทที่ 53 ระบบสนับสนุนการตัดสินใจทางคลินิก
• สแตนฟอร์ด ซีดีเอสเอส